教育

    建構與您的課程對齊的自訂 AI 輔導員和教育助手

    The Challenge

    從 K-12 學區到研究型大學,各級教育機構都承受著大規模個人化學習的壓力。自適應輔導、自動化評分、課程推薦和內容生成都能從 AI 中受益,但模型需要理解機構的特定課程、教學方法和評量標準。通用語言模型產出的解釋聽起來合理但往往不正確,與年級水平期望不符,且缺乏對特定課程大綱或機構學習成果的認知。

    學生資料隱私增加了一個艱鉅的限制。FERPA 對教育記錄的處理方式施加了嚴格要求,家長、學生和教職人員對將學生互動資料發送到第三方雲端 AI 供應商越來越持懷疑態度。許多學區已完全禁止向外部傳輸學生資料的商業 AI 工具。希望將 AI 用於評分輔助或輔導的機構必須找到一種方法,在自己的系統內保留學生資料,同時仍能享受現代語言模型的好處。

    The Solution

    Ertas 為教育機構提供一種做法:建構理解自身課程的 AI 模型,並在自有基礎設施上運行。在 Ertas Studio 中,教學設計人員與教育科技團隊以 LoRA 在機構自己的內容(課程教材、歷屆試題、評分規準和已去識別化的學生互動紀錄)上微調開源模型,透過視覺化畫布在 Ertas 的雲端 GPU 上完成訓練。教師可以在 Studio 的引導式資料集建構工具 Data Craft 中審核並核准訓練範例,讓模型從他們認可的講解中學習。訓練出的模型會使用機構的術語、評量標準和教學風格。

    訓練資料需要上傳到 Ertas 進行訓練,因此上傳前請移除學生姓名與身分資訊,專案結束後在 Studio 中刪除資料集。訓練完成後,模型從 Hub 匯出為 GGUF 或 safetensors,在機構自己的伺服器或私有雲上運行,並透過機構自己的整合串接 LMS。如此一來,學生的提問與模型的回答都留在機構掌控的系統內。教師與行政人員取得的 AI 工具(練習題產生、初步批改輔助和學習建議)運行在機構自己決定的地方。

    Key Features

    Studio

    課程感知微調

    使用 Studio 的視覺化畫布,在課程內容、評分規準、問答配對和教學指引組成的 JSONL 資料集上微調模型。以 Phi-4 Mini 或 Llama 3.2 3B 等小型開源模型訓練分科模型(一個用於生物入門,另一個用於 AP 微積分),並把多次訓練結果並列比較。

    Studio

    教師審核的範例

    透過 Studio 的引導式資料集建構工具 Data Craft,教師可以把輔導對話寫成 USER 與 ASSISTANT 對話輪次並加以編輯、保存版本,同時追蹤哪些範例已獲核准。模型訓練所用的講解都經過教學人員檢查。

    Hub

    由機構自己運行的模型

    每個訓練完成的模型都列在 Hub 中,可下載為 GGUF(llama.cpp、Ollama、LM Studio)或完整的 safetensors(vLLM 等伺服器端執行環境)。部署在自己的伺服器上,透過自己的整合串接 Canvas、Moodle、Blackboard 或自建 LMS,運行時不依賴 Ertas。

    Hub

    學生互動留在本地

    匯出的模型在您的網路內運行時,學生的提問和模型的回答都留在您的系統中,依循機構自己的資料政策。訓練資料會上傳到 Ertas 的雲端 GPU,因此上傳前請先將學生紀錄匿名化,不再需要時可在 Studio 中刪除資料集。

    Example Workflow

    一所大型大學的線上學習團隊希望為資訊科學入門課提供適性化輔導,這門課每學期有 2,000 名學生。團隊從課程論壇匯出 15,000 則匿名化的學生問答,連同教科書節錄與作業評分規準,整理成 JSONL 資料集上傳到 Ertas Studio。助教在 Data Craft 中把幾百則回答改寫成蘇格拉底式風格並核准。在 Studio 中,團隊以 LoRA 微調 Phi-4 Mini,訓練模型用提問引導學生找到答案,而不是直接給出解法,並同時執行兩種設定。他們用一組保留下來、由教學人員評過分的論壇問題檢驗這兩個模型,把表現較好的那個從 Hub 匯出為 GGUF,以 Ollama 部署在學校資料中心的一台伺服器上。課程的 Moodle 透過學校自己的整合與它連接。學生得到的提示與講解符合課程大綱與評分規準,他們與輔導模型的對話都留在學校的基礎設施上。

    Compliance & Security

    FERPA 規定的義務,包括哪些內容屬於教育紀錄、誰可以存取,仍需由機構自行落實。Ertas 改變的是推論的運行位置:匯出之後,模型可以在機構掌控的伺服器上運行,學生的提問與模型的輸出都留在那裡。訓練則不同。資料集會上傳到 Ertas 的雲端 GPU 用於訓練,並會保存以便重複執行,您可以隨時刪除。上傳前請先匿名化或盡量精簡學生資料,並讓訓練集經過您們例行的隱私審查。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.